Programa

1. Introdução ao Reconhecimento de Padrões
   
Aplicações e conceitos básicos: arquitectura clássica de um sistema de RP, extracção e redução de características, regiões de decisão, funções discriminantes, avaliação de classificadores.


2. Classificação de Bayes com distribuições conhecidas

Classificador de MAP e classificador de Bayes; caso gaussiano.
Avaliação de classificadores, limiares de Battacharyya e de Kullback-Leibler.


3. Aprendizagem Supervisionada

Métodos paramétricos: máxima verosimilhança, estimação bayesiana, limiar de Crámer-Rao.
Métodos não paramétricos: janelas de Parzen; classificador de K vizinhos mais próximos.


4. Aprendizagem não supervisionada
   Algoritmo de k-médias

Métodos hierárquicos de ligação simples e ligação completa.


5. Redes Neuronais
   Perceptrão multicamada.

Mapas de Kohonen.


6. Modelos de Markov não Observáveis
   
Representação de sequências, cálculo da verosimilhança, algoritmo progressivo-regressivo, algoritmo de Viterbi, aprendizagem do modelo, classificação com HMMs.